Aloitin työurani asiakkuusanalytiikan parissa. Asiakkuusanalytiikan tarkoituksena silloin ja ehkä edelleen on se, että organisaatio ymmärtää asiakkaitaan parhaalla mahdollisella tavalla. Käytännössä tämä tarkoittaa sitä, että analysoidaan ostodataa, tehdään suosittelujärjestelmiä tai analysoidaan asiakkuuksien arvoa.
Eräs helpoimmista ja ehkä myös tehokkaimmista asiakkuusanalytiikan työkaluista on RFM eli Recency – Frequency – Monetary -analyysi, jonka avulla asiakaskantaa analysoidaan kolmen ulottuvuuden kautta: kuinka äskettäin asiakas on asioinut, kuinka usein hän asioi ja paljon häneltä jää kenkien hiekan lisäksi rahaa verkkoon tai kivijalkaan. Malli on äärimmäisen simppeli ja laskennan pystyy tekemään erittäin helposti SQL:llä, R:llä, Pythonillä tai ihan millä työkalulla tahansa.
Vaikka malli on yksinkertainen toteuttaa, niin sen ongelmaksi muodostuu usein se että sitä ei lasketa tarpeeksi usein, eikä historiaa huomioida analyyseissä tai vaihtoehtoisesti mallin segmenteille ei tehdä liiketoiminnan kannalta tärkeiden mittareiden suhteen tilastollista analyysiä.
Voisiko simppeli malli olla kuitenkin sellainen, mikä toisi organisaatiolle hyötyä vielä vuonna 2026 kun mahdollisuus olisi käyttää upeita tekoälymalleja sekä hienoja koneoppimismalleja? Esitä tässä kaksi ideaa mihin ja miten RFM voisi vastata liiketoiminnan haasteisiin vieläkin.
Sarjassani markkinoinnin automaation arkkitehtuureista nostin esille sen, että MA-arkkitehtuurin yksi tärkeimmistä tehtävistä on varmistaa se, että työkalun kustannukset pysyvät hallinnassa. Syynä tähän tietenkin käyttöpohjainen hinnoittelumalli, joka perustuu usein siihen kuinka monta henkilöä on tai kuinka iso viestien lähetysvolyymi on.
RFM-mallit syntyivät aikana, jolloin sähköpostimarkkinointia ei tehty vaan asiakkuusmarkkinointi perustui fyysisten kuvastojen lähettämiseen. Koska kuvastojen lähettämiseen liittyi aina jokin yksikkökustannus, viestejä ei tietenkään kannattanut lähettää kaikille asiakastietokannan jäsenille vaan oli tarpeen löytää sieltä parhaimmat asiakkaat joille kannattaa lähettää.
Saas-palveluiden hinnoittelussa ollaan markkinointiautomaation osalta samassa suossa: jokainen kontakti ja jokainen maailmalle lähtenyt viesti maksaa. Ei ehkä yksikkökustannuksena niin paljoa kuin katalogin postittaminen, mutta pienet purot tuottavat ison virran.
RFM-mallin avulla sinä voit analysoida ketkä ovat niitä asiakkaita, joita kannassa kannattaa pitää ja viestejä lähettää. Tee kannastasi RFM-analyysi ja jaa se sopiviin segmentteihin, jotka tukevat sinun liiketoimintaasi. Todennäköisesti kannastasi pitäisi löytyä ainakin uusien asiakkaiden segmentti (esim: ovat ostaneet kerran tai pari viimeisen kuukauden aikana), lojaalien asiakkaiden (frequency suuri, recency melko tasainen) ja poistuvien (eivät ole pitkään aikaan käyneet), sekä todennäköisesti jotain muita. Tämän aineiston perusteella voit yhdistää asiakkaan segmentin sekä tiedon reagoinnista sähköpostimarkkinointiin ja laatia säännöt sille, että ketkä näistä halutaan säilöä kannassa.
Asiakkaat eivät kuitenkaan ole segmenteissään ikuisesti eikä tänään tehty RFM-segmentointi kerro kuin tästä hetkestä. RFM-segmentoinnin voi kuitenkin ajatella Markovin ketjulla (Markov Chain) tarkoitetaan satunnaisprosessia, joka kuvaavat järjestelmän tiloja siten että uusi tila riippuu vain edellisestä tilasta. Korkeamman kertaluvun Markovin ketju tarkoittaa sitä, että tila voi riippua myös edellistä aiemmista tiloista.
Asiakkaan siirtymät eri RFM-segmenteistä toiseen voidaan ajatella Markovin ketjuna eli asiakkaalla on siirtymiä segmenteistä toiseen: uudet asiakkaat siirtyvät vähitellen vakiintuneiksi, vakiintuneet pysyvät vakiintuneena ja osa heistä tipahtaa poistuviin ja poistuvista osa päätyy palaaviksi.
Koska Markovin ketju on nimensä ja määritelmänsä mukaisesti matemaattinen konsepti, on mahdollista ennustaa siirtymiä (tai tarkemmin siirtymätodennäköisyyksiä) segmenteistä toiseen.
Kun meillä on todennäköisyyksiä käytössämme, voimme tuottaa laajempaa asiakasymmärrystä siitä miten asiakkaat käyttäyvät ja miettiä sekä tietenkin sitä kannattaako heitä pitää enää MA-järjestelmässä kuluja tuottavana tietueena mutta myös laskea siirtymätodennäköisyyksien avulla mitä voidaan saavuttaa. Markkinointi muuttuu paremmaksi ja kustannukset saadaan kuriin ikivanhan tekniikan avulla.
